import numpy as np
from sklearn.linear_model import linearregression
from sklearn.model_selection import train_test_split
data = np.loadtxt(r'd:\data\machine-learning-ex1\machine-learning-ex1\ex1\ex1data1.txt'
, delimiter=
',')
data_x = data[:,
[0]]
data_y = data[:,
[1]]
x_train, x_test, y_train, y_test = train_test_split(data_x, data_y, test_size=
0.3)
model = linearregression(
)model.fit(x_train, y=y_train)
print
(model.score(x_test, y_test)
)
c:\users\g3\anaconda3\python.exe d:
/test/tool/tool.py
0.8616960429597703
process finished with exit code 0
c:\users\g3\anaconda3\python.exe d:
/test/tool/tool.py
0.5450383718610818
process finished with exit code 0
原因是劃分測試與訓練集時是隨機的。
可以在劃分時新增種子引數來復現訓練結果。
可通過多次隨機梯度下降來優化。（同時還可以在一定程度上解決區域性最優的問題）
線性回歸模型 線性回歸模型
回歸的思想和分類有所不一樣，分類輸出的結果為離散的值，回歸輸出的是乙個連續型的值。線性回歸的思想就是試圖找到乙個多元的線性函式 當輸入一組特徵 也就是變數x 的時候，模型輸出乙個 值y h x 我們要求這個 值盡可能的準確，那麼怎麼樣才能做到盡可能準確呢？其中 表示實際值，表示 值 其中 表示實際值...
線性回歸（標準回歸）
今天我們來討論機器學習的另乙個領域 首先我們來討論利用線性回歸來 數值型資料。利用線性回歸進行 的過程就是求解回歸係數的過程，求出回歸係數後進行係數與特徵值乘積求和即可，這裡我們使用最小二乘法進行求解 ex0.txt 提取碼 dbe2 def loaddataset filename numfeat...
回歸學習 線性回歸
匯入資料 from sklearn.datasets import load boston boston load boston print boston.descr 資料分割 from sklearn.cross validation import train test split import ...